Build in public · Agentic AI

Dos Artículos Virales Acumularon ~486.000 Vistas en "Graph Engineering." Esto Fue lo que Pasó Cuando Realmente lo Construimos — en 7 Horas.

Contenido viral → sistema vivo, con una IA cofundadora haciendo el trabajo pesado y un humano reteniendo cada decisión irreversible. El giro: nuestras propias compuertas de evidencia verificaron y rebajaron las cifras virales.

La semana pasada, un artículo sobre "Graph Engineering" alcanzó 382.000 vistas en X. Dos días después, un segundo sumó 104.000 más — casi medio millón de vistas entre ambos (según los contadores públicos de X al momento de escribir esto — una cifra que no puedo clasificar de forma independiente, y sí, veo la ironía; no lo olvides).

La mayoría de los lectores le dio a guardar y siguió de largo.

Le pasé ambos artículos a mi IA cofundadora con una sola instrucción: no resumas esto — constrúyelo.

Siete horas después (primer commit a las 11:02, último commit a las 17:53, el mismo día — capturas de pantalla que con gusto muestro), teníamos un sistema operativo de Graph Engineering funcionando: un meta-repositorio vivo que rastrea el campo, dos aplicaciones web desplegadas, una superherramienta de un solo slash, y un pipeline de CI que se niega a dejar que nada de esto se pudra.

Y aquí está la parte que nadie esperaba: en el camino, nuestras propias compuertas de calidad fact-checkearon los artículos virales — y rebajaron sus cifras de titular.

Esta es la historia completa, con comprobantes. Y al final, el playbook exacto para que lo apliques en cualquier campo que te interese.

El problema de guardar para después

El contenido técnico viral tiene una vida media de unas 48 horas. Lo guardas, el algoritmo pasa a otra cosa, y seis meses después no encontrarías esa afirmación de "18% mejor precisión" ni aunque te fuera el trabajo en ello — y mucho menos podrías decir si alguna vez fue cierta.

Los artículos eran genuinamente buenos. El primero (de Sprytix) mapeó cómo Microsoft, Stanford y Anthropic convergieron de forma independiente en grafos de conocimiento por encima del RAG plano — el modelo encuentra texto, el grafo encuentra realidad. El segundo (de 0xRafy) mapeó el giro de un solo loop de agente ahogándose hacia un grafo coordinado de agentes — nodos, enrutadores, estado, compuertas.

Pero un artículo es una fotografía. Un campo se mueve. Las estrellas cambian, los repos mueren, los papers se corrigen, y esa estadística estrella que citaste en la presentación de un cliente termina rastreándose hasta... otro artículo.

La solución no es un mejor marcador de página. Es un sistema vivo.

Lo que construimos en 7 horas (calificado en público — cada calificación y cada nivel de evidencia están en las apps en vivo)

1. Primero, una fábrica de repositorios. Antes de tocar el dominio, construimos la máquina que construye repositorios: una especificación YAML → un repositorio completo donde make check pasa desde el nacimiento. Estructura, CI, tests, un latido semanal de sincronización, una disciplina de evidencia — todo generado, todo con compuertas. Hicimos ingeniería inversa sobre el ADN de seis repos que ya habíamos lanzado, así que la fábrica codifica patrones que sobrevivieron el contacto con la realidad, no aspiraciones.

2. Luego la fábrica acuñó el producto. graph-engineering-anything fue generado por la fábrica que vive dentro de él — se ingresa la especificación completa, sale un repositorio funcionando, verde desde la primera corrida. La fábrica hizo su primer commit y, veinte minutos y seis commits más tarde, el proyecto ya estaba en vivo en GitHub con el CI remoto pasando en 11 segundos.

3. Un superrepositorio que se mantiene actualizado solo. Rastrea 10 repos fundamentales del campo — microsoft/graphrag, stanfordnlp/dspy, stanford-oval/storm, getzep/graphiti, modelcontextprotocol/servers, google/adk-python, langchain-ai/langgraph y más — con conteos reales de estrellas y fechas de push obtenidas en vivo desde la API de GitHub. Hay un cron semanal armado para refrescar todo y abrir un pull request que revisa un humano — la primera corrida programada es el próximo lunes (27 de julio). El sistema redacta; el humano publica. Siempre.

4. Cada afirmación lleva puesto un nivel de evidencia. Esta es la parte de la que estoy más orgulloso. Las 13 afirmaciones de la base de conocimiento están clasificadas por niveles: 🟢 GROUNDED significa que localizamos y leímos la fuente primaria. 🟡 WEAK significa que solo la conocemos "según se cita en" el artículo de alguien más — y se queda en WEAK hasta que se lea la fuente primaria, sin importar qué tan viral haya sido la fuente.

5. Una superherramienta que cualquiera puede manejar. /graph-engineering-anything — un solo comando con slash, sin necesidad de gramática ni de experiencia previa. Seis funciones, cada una con ejemplos ejecutables de "di esto, obtén aquello" en la demo en vivo: convertir en grafo tus notas de reunión, rastrear cadenas de relaciones a través de un portafolio de ~90 repos (uno de los prompts de ejemplo de la demo), decidir entre grafo o RAG antes de malgastar esfuerzo construyendo algo, rastrear qué se movió esta semana, hacer crecer el registro, diseñar un grafo de agentes cuando tu único loop empieza a ahogarse. Las acciones irreversibles siempre se redactan como borrador para que un humano las apruebe — difícil de usar mal, por diseño.

6. Dos superficies en vivo que puedes visitar ahora mismo. Una app de demo donde cada función muestra exactamente qué dirías y exactamente qué obtendrías — más un copiloto anclado *únicamente* en los datos del repo (si le preguntas algo fuera de su corpus, lo dice en vez de inventar). Y una app de recorrido donde cada entrega de este proyecto aparece como un reporte de calificación con evidencia. Calificaciones hasta ahora: 0.75, 0.75, 1.00, 0.75, 0.75, 0.80, 0.75. No son puras calificaciones perfectas. Ese es justamente el punto.

Una aclaración antes del giro: el repositorio en sí es privado por ahora. Las dos apps en vivo de abajo son las superficies públicas e interrogables — cada número de esta publicación que importa está en ellas.

El giro: nuestras compuertas verificaron y rebajaron las cifras de la fuente

The viral article's most-quoted line: GraphRAG delivers "18% better accuracy at 85% lower cost." (Traducción: la línea más citada del artículo viral: GraphRAG entrega "18% mejor precisión a un 85% menor costo").

Cuando esos números llegaron a nuestro pipeline de evidencia, no sobrevivieron con toda su fuerza. La supuesta fuente primaria es un paper que todavía no hemos podido leer. Hasta que lo hagamos, esa afirmación permanece marcada como 🟡 WEAK en nuestra tabla pública de evidencia — "según se cita en el artículo de X; fuente primaria aún no leída" — con la frase de advertencia exacta que necesitarías si de todos modos quisieras usarla en una presentación.

Mientras tanto, las afirmaciones que SÍ sobrevivieron en 🟢 GROUNDED: el paper real de GraphRAG de Microsoft (Edge et al., arXiv:2404.16130), DSPy y STORM de Stanford, el trabajo de TACL sobre memoria relacional y KEPLER, el "Building effective agents" de Anthropic, y la documentación de ADK 2.0 de Google — que obtuvimos y leímos antes de citarlos.

Piensa en lo que eso significa: un sistema construido A PARTIR de contenido viral que se niega a REPETIR contenido viral sin verificar. El número de 382 mil vistas recibe el mismo tratamiento escéptico que cualquier otra cosa.

Precisión antes que comodidad. Es un principio de diseño, no una pose.

El hallazgo que no planeamos

A mitad de camino, los dos artículos chocaron. El primero usaba "graph engineering" para referirse a los grafos de conocimiento (entidades y relaciones en lugar de recuperación de texto). El segundo usaba el mismo término para los grafos de agentes (muchos agentes coordinados en vez de un solo loop ahogándose).

Misma frase. Dos revoluciones distintas.

Nuestra propia regla de mantenimiento —"las contradicciones se marcan para revisión humana, nunca se fusionan en silencio"— nos obligó a resolverlo de forma explícita. El repositorio ahora cubre ambos sentidos, con el puente planteado sin rodeos: DSPy optimiza el grafo del pipeline, GraphRAG optimiza el grafo de conocimiento. Un sistema de IA maduro usa los dos.

Un marcador de páginas no puede hacer eso. Un sistema vivo detecta la bifurcación del campo en tiempo real.

Róbate este playbook (7 pasos, cualquier campo)

1. Detecta la señal. Un artículo viral es un voto de mercado sobre qué quiere organizar la gente. No lo guardes sin más: trátalo como una especificación.
2. Construye la fábrica antes que el producto. Una plantilla reutilizable que produce repositorios con compuertas de calidad incorporadas desde el inicio. Lento una vez, rápido para siempre.
3. Que make check sea la única verdad. Un solo comando ejecuta todas las compuertas. El CI corre exactamente ese comando. Nada se publica en rojo, y a nadie se le permite reportar verde a mano.
4. Clasifica cada afirmación según su evidencia. Fuente primaria leída = GROUNDED. Todo lo demás = WEAK, de forma visible, hasta que hagas esa lectura. Tu credibilidad se acumula mientras el hype de los demás se degrada.
5. Automatiza la actualización, deja el juicio en manos humanas. Las sincronizaciones semanales traen datos en vivo y abren pull requests. Un humano las fusiona. El sistema nunca publica, paga ni elimina nada por su cuenta.
6. Publica una superficie que la gente pueda interrogar. No un PDF: una app en vivo con un copiloto anclado en tus datos, que admite lo que no sabe.
7. Califícate en público. Cada entrega recibe una boleta de calificaciones con evidencia por resultado. Un 0.75 honesto genera más confianza de la que jamás dará un 0.90 falso.

Por qué esto importa más allá de un repositorio

El cambio interesante no es la ingeniería de grafos. Es el meta-movimiento: contenido viral → sistema vivo en horas, no en trimestres — con un cofundador de IA haciendo el trabajo pesado y un humano reteniendo cada decisión irreversible.

Hace dos años esto era un equipo y un trimestre. El año pasado era un hackathon de un fin de semana. Ahora es una tarde — SI tienes la capa de disciplina: las compuertas, los niveles de evidencia, las compuertas humanas, las calificaciones públicas. La velocidad sin esa capa solo despacha alucinaciones más rápido.

El modelo es el mismo para todos. La arquitectura no.

Míralo en vivo:
→ La demo (prueba los ejemplos de la superherramienta): graph-engineering-anything-demo.vercel.app
→ El recorrido (cada entrega, calificada, con evidencia): graph-engineering-anything.vercel.app

¿Qué campo compilarías tú en un sistema vivo — y cuál sería la primera afirmación que tendrías que bajar a WEAK? Cuéntamelo en los comentarios.

Más en la serie AI-Native

• No Memorizas un Campo Difícil — Lo Divulgas Sobre Uno Que Ya Dominas — columna vertebral vs. divulgación progresiva.
• Aprende Cualquier Campo 10 Veces Más Rápido Con IA — Amplio y Profundo, Sin Engañarte a Ti Mismo — Mapa · Escalera · Compuerta.
• No Puedes Autoemitirte Reputación — la brecha de la certificación, y la solución exigible.
• No Puedes Ordenarle a la Gente Que Cierre Ciclos — De Arriba Hacia Abajo vs. De Abajo Hacia Arriba — diseña el juego; quien hace ≠ quien verifica.

Todo esto está en la sección Writing de la página de inicio.

Soy Paul Wu — ingeniero de AI física que construye sistemas de AI en público. Cada número de este artículo se remonta a un artefacto público o está explícitamente etiquetado como sin clasificar. Escrito con mi cofundador de AI; revisado de forma adversarial (dos rondas, el primer borrador no pasó) antes de que llegara a tus ojos.